基于GIDBC的掌纹识别算法研究

针对采用分形维数作为特征描述掌纹信息不准确的问题,对差分盒子维进行改进提高特征区分性.此外,由于采用单一的特征不足以描述掌纹纹理,引入Gabor变换,提出一种基于Gabor变换与改进差分盒子维(GIDBC,Gabor improved differential box counting)相结合的掌纹识别算法.通过在PolyU掌纹图像库上实验,与传统高性能算法比较,本算法识别率最高可达到99.78％,表明了本文方法的有效性,同时特征提取与匹配时间为338 ms,满足实时性要求.     

并行特征融合在金融手写汉字识别中的应用

针对金融票据自动识别应用中的脱机手写体汉字识别进行特征提取的研究,首先提出了用Gabor特征和Zemike矩特征来分别表征汉字的局部特征和全局特征。针对传统的串行特征融合方法的缺陷,提出了一种并行特征融合方法,将Gabor特征和Zemike矩特征组合成新的特征向量,然后使用广义K-L变换对新特征向量的维数进行压缩,去除冗余信息。实验结果验证了该方法的有效性。     

基于空间频率能量分布的掌纹识别

提出了一种基于实数形式离散Gabor变换的掌纹特征提取方法,将空域的掌纹图像变换到联合空间频率域并将联合空间频率域的能量分布作为掌纹的特征,以此为基础使用欧式距离对特征向量进行了匹配识别。实验结果表明,该算法对掌纹图像小范围的平移、小角度的旋转和小范围的手掌伸缩具有鲁棒性,获得了比较理想的识别率。     

改进的Gabor小波变换特征提取算法

针对基于Gabor小波幅值与相位的人脸特征提取方法的特征级联方式使得特征向量维度较高的问题,提出了一种改进的Gabor小波变换特征提取算法。该算法计算局部幅值特征和局部相位特征,增强了每个像素的局部关联性;然后通过实验选定加权系数,将幅值特征与相位特征进行加权融合。实验结果表明,该算法与改进前的算法相比,降低了特征向量的维度,且提高了最终的人脸识别率。     

一种基于Gabor小波和2DPCA的掌纹识别改进算法

提出一种改进的基于Gabor小波变换和二维主分量分析2DPCA(2-Dimensional Principal component analysis)的掌纹识别。2DPCA克服了传统Gabor小波变换后直接进行主分量分析PCA(Principal component analysis)遇到的维数灾难问题,并且将PCA与Fisher线性判别FLD(Fisher Linear Discriminate)结合起来,利用了以前仅用于降维的PCA特征和FLD特征相融合进行掌纹识别。基于PolyU掌纹库的实验结果表明,该方法不仅有更高的识别率,而且维数更低。     

基于Gabor特征和增强Fisher模型的目标检测和识别

研究基于Gabor特征和增强Fisher线性判别模型(EFM)的目标检测和识别问题.用Gabor滤波器族对样本和场景图像进行分解,得到高维特征向量.然后利用主成分分析(PCA)将高维特征向量变换到低维空间,根据新的特征幅值检测场景图像中可能存在的车辆目标,并对检测到的目标用EFM进行特征分析后,与样本训练得到的特征进行相似性分类.实验证明本文算法在降低特征维数的同时,仍能较好地识别车辆目标.本文还对车辆个数和位置确定等问题也提出解决方法,并用实验对算法进行验证.     

基于低频能量分布的掌纹特征提取

提出了一种基于傅里叶变换的掌纹特征提取方法,利用傅里叶变换将空域的掌纹图像变换到频域,选取频域图像的低频能量分布作为掌纹的特征,以此为基础对特征向量进行匹配识别。实验结果表明,该算法实现简单、操作方便,具有较快的反应速度和较高的识别率。     

基于Gabor小波和核保局投影算法的表面缺陷自动识别方法

研究了Gabor小波变换和核保局投影(Kernel locality preserving projections, KLPP)算法的原理, 分析了热轧钢板表面缺陷的特点, 提出了一种基于Gabor小波和KLPP算法的特征提取方法, 并应用于热轧钢板表面缺陷自动识别. 首先利用Gabor小波将图像分解到5个尺度8个方向的40个分量中, 接着对原始图像和各个分量的实部和虚部分别提取均值和方差, 得到一个162维的特征向量, 然后利用KLPP算法将该特征向量的维数降到21维, 最后利用多层感知器网络对样本进行分类识别. 本文提出的特征提取方法具有计算简单、可并行处理的特点, 对沿一定方向分布的边缘和纹理具有较高的区分能力. 利用从工业现场采集的缺陷图像对本文方法进行了实验, 识别率达到93.87%.     

一种采用Gabor小波的纹理特征提取方法

Gabor小波是一种重要的纹理特征提取方法。利用其基函数的正交性,Gabor小波不仅可以有效地提取纹理特征,而且可以消除冗余信息。然而,采用Gabor小波方法计算得到的纹理特征向量具有较高的维数,因此,提出一种采用Gabor小波的纹理特征提取方法。该方法采用Gabor小波方法计算不同尺度和方向的能量信息,根据这些信息确定了显著峰集合。根据显著峰集合,确定了纹理特征向量,并且把显著性作为权重引入到相似性度量。实验结果表明,采用该方法的系统具有和采用直接Gabor小波变换方法的系统近似相同的检索性能,而纹理特征向量的维数仅为采用直接Gabor小波变换方法计算得到的纹理特征向量维数的6.1%。     

基于安全概略的可撤销掌纹模板生成算法

为了有效改进掌纹模板生成算法的识别率和安全性等性能,提出一种基于安全概略的可撤销掌纹模板生成算法。首先提取掌纹图像不同方向、不同尺度的Gabor幅值特征,并通过主成分分析（PCA）算法对其进行降维;然后将加密后的特征向量与BCH码异或融合,得到基于安全概略的可撤销掌纹模板。对比实验表明,该算法具有良好的识别性能,能较好地满足可撤销性、多样性和不可逆性,即便在单密钥丢失的情况下,也具有较高的识别率。     

基于Gabor局部相对特征的掌纹识别

Gabor变换是掌纹识别中提取纹理特征的一个重要工具,但其性能易受图像的变化以及不均衡噪声等因素影响,因此提出了一种基于Gabor局部相对特征的掌纹识别算法。该算法对原始图像进行微尺度不变Gabor滤波;结合分形学的思想,将滤波后的图像分成大小相等的子域,每个子域又分成多个相同的子块,计算每个子块与它所在子域的相对方差,将所有子块的相对方差排列组成表征图像的特征向量进行识别。该算法将微尺度不变与局部相对特性统一,所提取的特征对各种变化有很强的鲁棒性,提高了识别精度和效率。实验使用北京交通大学BJTU_PalmprintDB证明该算法的有效性。     

基于实值Gabor变换的掌纹识别

掌纹识别作为一种重要的生物特征识别方法,其中的一个重要环节就是掌纹特征的提取,本文提出了一种基于实数形式离散Gabor变换的掌纹特征提取方法,将空域的掌纹图像变换到联合（时间）空间频率域并将其联合（时间）空间频率域的能量分布作为掌纹的特征,以此为基础分别使用欧式距离和支持向量机进行了不同掌纹的匹配识别。实验结果表明,该算法对掌纹图像小的平移、小角度的旋转和小的手掌伸缩具有鲁棒性,并且获得了较高的识别率。     

基于改进PCA和支持向量机的掌纹识别

掌纹识别是一种新兴的生物特征识别技术。掌纹识别是用掌纹特征(包括人眼可见的和不可见的)来进行身份鉴别的一种方法。其中掌纹特征提取和掌纹特征匹配是掌纹识别研究的关键部分和核心内容。在特征提取方面,给出了两种改进的特征提取方法。先对掌纹图像进行傅里叶变换,再对变换后的图像进行主成分分析;针对掌纹图像的特点,对PCA进行改进,设计了适用于掌纹图像的分块主成分算法。将一整幅掌纹图像分为若干子块图像,在此基础上进行主成分分析。通过实验验证了改进的特征提取方法可以提高识别准确率。在特征识别方面,模版匹配虽然在一定程度上计算量小,准确率高,但容易陷入小样本问题。因此通过训练SVM分类器,进行掌纹识别。实验证明该方法有较好的可行性。     

Robust palmprint identification based on directional representations and compressed sensing

In this paper, we propose a novel approach for palmprint recognition, which contains two interesting components: directional representation and compressed sensing. Gabor wavelets can be well represented for biometric image for their similar characteristics to human visual system. However, these Gabor-based algorithms are not robust for image recognition under non-uniform illumination and suffer from the heavy computational burden. To improve the recognition performance under the low quality conditions with a fast operation speed, we propose novel palmprint recognition approach using directional representations. Firstly, the directional representation for palmprint appearance is obtained by the anisotropy filter, which is robust to drastic illumination changes and preserves important discriminative information. Then, the principal component analysis (PCA) is used for feature extraction to reduce the dimensions of the palmprint images. At last, based on a sparse representation on PCA feature, the compressed sensing is used to distinguish palms from different hands. Experimental results on the PolyU palmprint database show the proposed algorithm have better performance than that of the Gabor based methods.     

A combination of Genetic Algorithm,Particle Swarm Optimization and Neural Network for palmprint recognition

In this study, a new approach to the palmprint recognition phase is presented. 2D Gabor filters are used for feature extraction of palmprints. After Gabor filtering, standard deviations are computed in order to generate the palmprint feature vector. Genetic Algorithm-based feature selection is used to select the best feature subset from the palmprint feature set. An Artificial Neural Network (ANN) based on hybrid algorithm combining Particle Swarm Optimization (PSO) algorithm with back-propagation algorithms has been applied to the selected feature vectors for recognition of the persons. Network architecture and connection weights of ANN are evolved by a PSO method, and then, the appropriate network architecture and connection weights are fed into ANN. Recognition rate equal to 96% is obtained by using conjugate gradient descent algorithm.

     

小波分解与PCA方法的掌纹特征提取方法*

提出了一种新的掌纹特征提取方法,其目的在于在不降低识别率的情况下,提高掌纹特征提取速度。首先将原始掌纹图像进行小波分解,获得低分辨率的掌纹图像;其次通过主成分分析（PCA）方法获得一个低维子空间,即“特征掌”;最后通过将训练、测试样本在该“特征掌”上投影来提取掌纹特征。实验结果表明,所提出方法与单一PCA方法比较,在同样识别率情况下,特征提取速度明显提高。